Propension numérique : Prévisions

Intention client plus intelligente

Propension numérique : Prévisions

Intention client plus intelligente

Propension numérique : Prévisions

Intention client plus intelligente

Exploiter l'apprentissage machine pour transformer le ciblage client, améliorer la personnalisation et stimuler la croissance du commerce de détail grâce à des informations en temps réel.

Exploiter l'apprentissage machine pour transformer le ciblage client, améliorer la personnalisation et stimuler la croissance du commerce de détail grâce à des informations en temps réel.

Temps

2018-2020

Rôle

Concepteur UX/UI

Compétences clés

Agile

Recherche

UX

IU

Introduction

Compréhension

client

intention

Comprendre l'intention du client

Comprendre l'intention du client

Un cadre basé sur l'apprentissage machine qui suit les caractéristiques démographiques et le comportement pour prédire les achats et personnaliser l'engagement. Aide à fournir des offres pertinentes et opportunes qui augmentent les conversions.

Un cadre basé sur l'apprentissage machine qui suit les caractéristiques démographiques et le comportement pour prédire les achats et personnaliser l'engagement. Aide à fournir des offres pertinentes et opportunes qui augmentent les conversions.

Un cadre basé sur l'apprentissage machine qui suit les caractéristiques démographiques et le comportement pour prédire les achats et personnaliser l'engagement. Aide à fournir des offres pertinentes et opportunes qui augmentent les conversions.

Défis

Résoudre les lacunes de scalabilité et de précision

Résoudre les lacunes de scalabilité et de précision

Le pipeline d'apprentissage automatique hérité était lent et reposait sur l'échantillonnage de seulement 10 % des données, ce qui entraînait une mauvaise précision et des retards dans les processus commerciaux.

Le pipeline d'apprentissage automatique hérité était lent et reposait sur l'échantillonnage de seulement 10 % des données, ce qui entraînait une mauvaise précision et des retards dans les processus commerciaux.

Le pipeline d'apprentissage automatique hérité était lent et reposait sur l'échantillonnage de seulement 10 % des données, ce qui entraînait une mauvaise précision et des retards dans les processus commerciaux.

Faits saillants de la découverte et de l'analyse des données

Faits saillants de la découverte et de l'analyse des données

Précision limitée en raison de l'échantillonnage des données

“Échantillonner seulement 10% de nos données nuisait à la performance du modèle et à notre capacité de personnaliser.”

“Échantillonner seulement 10% de nos données nuisait à la performance du modèle et à notre capacité de personnaliser.”

Temps de traitement excessif

“Exécuter un seul pipeline ML a pris plus de 18 heures—cela a retardé tout le reste en aval.”

“Exécuter un seul pipeline ML a pris plus de 18 heures—cela a retardé tout le reste en aval.”

Trop complexe à gérer

« Avec plus de 3600 caractéristiques, le réglage des modèles était à la fois long et incohérent. »

« Avec plus de 3600 caractéristiques, le réglage des modèles était à la fois long et incohérent. »

Défis commerciaux et lacunes concurrentielles

Recherche de concurrents

Le marché se dirigeait vers la personnalisation en temps réel et l'intégration omnicanale, des domaines dans lesquels le client avait du retard.

Le marché se dirigeait vers la personnalisation en temps réel et l'intégration omnicanale, des domaines dans lesquels le client avait du retard.

Constats de l'audit UX

Les silos de données et le manque d'un pipeline unifié empêchaient d'obtenir des insights significatifs et de collaborer à travers les équipes.

Les silos de données et le manque d'un pipeline unifié empêchaient d'obtenir des insights significatifs et de collaborer à travers les équipes.

Points de douleur en affaires

Une faible précision du modèle, des cycles de livraison lents et des occasions manquées d'engagement des clients affectaient la croissance et les revenus.

Une faible précision du modèle, des cycles de livraison lents et des occasions manquées d'engagement des clients affectaient la croissance et les revenus.

Stratégie

Carte du parcours client

Pour identifier les principaux problèmes et opportunités, nous avons organisé des ateliers, examiné les données des utilisateurs et cartographié le parcours client. Cela a permis à l'équipe de devenir plus cohésive et a aidé à établir des objectifs clairs pour la refonte.

Pour identifier les principaux problèmes et opportunités, nous avons organisé des ateliers, examiné les données des utilisateurs et cartographié le parcours client. Cela a permis à l'équipe de devenir plus cohésive et a aidé à établir des objectifs clairs pour la refonte.

Scientifique des données

Scientifique des données

Phases

Phases

🌟 Découvrez

📊 Évaluer

🛠️ À bord

🤝 Utiliser et collaborer

🎯 Optimiser

Actions/Besoins

Actions/Besoins

A besoin d'une modélisation des données évolutive et rapide

Évalue les outils qui prennent en charge des ensembles de données complets, sans échantillons.

Veut une interface de glisser-déposer pour l'ingénierie des fonctionnalités

Construit et peaufine des modèles plus rapidement

Examine les métriques du modèle, réentraînez-les si nécessaire

Points de contact

Points de contact

Modèles de pipeline ML ; modèles de démonstration

Support complet des ensembles de données; ingestion à 100%

Concepteur ML visuel

Auto-versionnage, tableau de bord de réglage

Étapes de validation; suivi de la performance

Ingénieur de données

Ingénieur de données

Phases

Phases

🌟 Découvrez

📊 Évaluer

🛠️ À bord

🤝 Utiliser et collaborer

🎯 Optimiser

Actions/Besoins

Actions/Besoins

Recherche une plateforme ETL + ML unifiée

Évalue les capacités de planification et d'intégration

Configure des connecteurs, configure des outils de gouvernance

Maintient la santé de la canalisation + déploie à grande échelle

Automatise les mises à jour, teste l'évolutivité

Points de contact

Points de contact

Présentation de pipeline par lots et en continu

Planification des flux de travail, connecteurs d'E/S

Surveillance intégrée + gestion des erreurs

Tableau de bord des métriques; système d'alerte

Versionnage de pipeline + déploiement hybride

Analyste d'affaires

Analyste d'affaires

Phases

Phases

🌟 Découvrez

📊 Évaluer

🛠️ À bord

🤝 Utiliser et collaborer

🎯 Optimiser

Actions/Besoins

Actions/Besoins

Perspicacité sur le comportement des clients + indicateurs de retour sur investissement

Recherche du soutien pour la visualisation et le suivi des métriques

Participez aux séances d'intégration pour comprendre les résultats.

Surveille les campagnes, les segments + performances O/P

Demandes d'itérations de fonctionnalités ou de pivots de campagne

Points de contact

Points de contact

Tableaux de bord préconfigurés + niveau de segment

Tableaux de bord KPI ; sortie explicable

Rapports visuels simplifiés

Suivi en temps réel + Intégration avec des outils

Boucle de rétroaction activée grâce à la collaboration

Conception

Conception, Prototypage et Validation

Nous avons construit et déployé le pipeline Digital Propensity en utilisant XStreams, testé plusieurs modèles d'apprentissage automatique, collaboré avec des parties prenantes et affiné les fonctionnalités en fonction des informations sur les performances en temps réel.

Nous avons construit et déployé le pipeline Digital Propensity en utilisant XStreams, testé plusieurs modèles d'apprentissage automatique, collaboré avec des parties prenantes et affiné les fonctionnalités en fonction des informations sur les performances en temps réel.

Impact

Résultats qui ont apporté de la valeur commerciale

Temps de formation réduit de plus de 18 heures à

Temps de formation réduit de plus de 18 heures à

Temps de formation réduit de plus de 18 heures à

3 heures

3 heures

3 heures

La précision du modèle s'est améliorée de

La précision du modèle s'est améliorée de

La précision du modèle s'est améliorée de

14 %

14 %

14 %

Augmentation estimée des revenus

Augmentation estimée des revenus

Augmentation estimée des revenus

~20M$

~20M$

~20M$

Leçons

Qu'est-ce que j'ai appris ?

La simplicité visuelle soutient des systèmes complexes

Une interface utilisateur claire et intuitive (comme des pipelines de glisser-déposer) rend les processus de données avancés plus accessibles aux utilisateurs non techniques.

Les boucles de rétroaction entraînent de meilleurs résultats

Une itération continue basée sur les commentaires des utilisateurs et sur les performances en temps réel aide à améliorer à la fois le design et la fonctionnalité.

La conception pour la scalabilité est importante

Les interfaces et interactions doivent gérer de grands volumes de données sans submerger l'utilisateur.

Create a free website with Framer, the website builder loved by startups, designers and agencies.